論文の概要: Sequential Segment-based Level Generation and Blending using Variational Autoencoders

• arxiv url: http://arxiv.org/abs/2007.08746v1
• Date: Fri, 17 Jul 2020 04:11:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 13:02:54.865900
• Title: Sequential Segment-based Level Generation and Blending using Variational Autoencoders
• Title（参考訳）: 変分オートエンコーダを用いた逐次セグメントベースレベル生成とブレンド
• Authors: Anurag Sarkar, Seth Cooper
• Abstract要約: 生成されたセグメントが論理的に先行セグメントから従うようなセグメント生成のシーケンシャルモデルを学ぶために、VAEを訓練する。 これら4つの方向のいずれかで進行する任意の長レベルを任意に生成できるパイプラインを得る。 非固定長のよりコヒーレントなレベルを生成することに加えて、この方法は別のゲームからレベルを暗黙にブレンドすることを可能にしている。
• 参考スコア（独自算出の注目度）: 5.33024001730262
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing methods of level generation using latent variable models such as VAEs and GANs do so in segments and produce the final level by stitching these separately generated segments together. In this paper, we build on these methods by training VAEs to learn a sequential model of segment generation such that generated segments logically follow from prior segments. By further combining the VAE with a classifier that determines whether to place the generated segment to the top, bottom, left or right of the previous segment, we obtain a pipeline that enables the generation of arbitrarily long levels that progress in any of these four directions and are composed of segments that logically follow one another. In addition to generating more coherent levels of non-fixed length, this method also enables implicit blending of levels from separate games that do not have similar orientation. We demonstrate our approach using levels from Super Mario Bros., Kid Icarus and Mega Man, showing that our method produces levels that are more coherent than previous latent variable-based approaches and are capable of blending levels across games.
• Abstract（参考訳）: VAEやGANのような潜在変数モデルを用いた既存のレベル生成法はセグメントで行われ、これらを別々に生成したセグメントを縫合して最終レベルを生成する。 本稿では,先行セグメントから論理的に追従するセグメント生成の逐次モデルを学ぶために,vaesを訓練することで,これらの手法を構築する。 さらに、VAEと、生成されたセグメントを前のセグメントの上、下、左、右に配置するかを決定する分類器を組み合わせることにより、これらの4つの方向に進行する任意の長いレベルを任意に生成し、論理的に互いに従うセグメントからなるパイプラインを得る。 非固定長のコヒーレントなレベルを生成することに加えて、同じ方向を持たない別々のゲームからのレベルを暗黙的にブレンドすることも可能である。 我々はスーパーマリオブラザーズ、キッド・イカルス、メガマンのレベルを用いて、我々の手法が従来の潜伏変数ベースのアプローチよりも一貫性のあるレベルを生成し、ゲーム間でレベルをブレンドできることを示した。

関連論文リスト

• SFGANS Self-supervised Future Generator for human ActioN Segmentation [2.3020018305241337]
  本稿では,標準パイプラインの中央に現れる自己教師付き手法を提案し,元の特徴ベクトルの洗練された表現を生成する。 実験により, 新たなパラメータチューニングがなくても, 動作セグメンテーションの異なるサブタスク上での既存モデルの性能が向上することが示された。
  論文  参考訳（メタデータ） (2023-12-31T09:36:55Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• Scaling up Multi-domain Semantic Segmentation with Sentence Embeddings [81.09026586111811]
  ゼロショット設定に適用した場合、最先端の教師付き性能を実現するセマンティックセマンティックセマンティクスへのアプローチを提案する。 これは各クラスラベルを、クラスを記述する短い段落のベクトル値の埋め込みに置き換えることによって達成される。 結果として得られた200万以上の画像の統合セマンティックセグメンテーションデータセットは、7つのベンチマークデータセット上の最先端の教師付きメソッドと同等のパフォーマンスを達成するモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2022-02-04T07:19:09Z)
• Ensemble Learning For Mega Man Level Generation [2.6402344419230697]
  マルコフ連鎖のアンサンブルを用いて, EmphMega Man レベルをプロシージャ的に生成する方法について検討した。 我々は,既存のマルコフ連鎖アプローチと比較し,演奏性およびスタイル的類似度の評価を行った。
  論文  参考訳（メタデータ） (2021-07-27T00:16:23Z)
• Hybrid Encoding For Generating Large Scale Game Level Patterns With Local Variations Using a GAN [5.144809478361604]
  我々はまずCPPNを進化させる新しいハイブリッドアプローチを提案するが、遅延ベクトルは後に進化し、両方のアプローチの利点を組み合わせることができる。 これらのアプローチはスーパーマリオブラザーズとゼルダの伝説で評価されている。
  論文  参考訳（メタデータ） (2021-05-27T06:27:19Z)
• Segmenter: Transformer for Semantic Segmentation [79.9887988699159]
  セマンティックセグメンテーションのためのトランスフォーマーモデルであるSegmenterを紹介します。 最近のViT(Vision Transformer)上に構築し,セマンティックセグメンテーションに拡張する。 これは、挑戦的なADE20Kデータセット上でのアートの状態を上回り、Pascal ContextとCityscapesでオンパーを実行する。
  論文  参考訳（メタデータ） (2021-05-12T13:01:44Z)
• Using Multiple Generative Adversarial Networks to Build Better-Connected Levels for Mega Man [0.0]
  本稿では,GAN生成セグメントをスネーキングパターンに組み合わせて,メガマンのレベルを作成することに焦点を当てる。 複数のGANは、セグメント間のより良いフローを保証するために、異なるタイプのセグメントで訓練された。
  論文  参考訳（メタデータ） (2021-01-30T23:34:15Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• TOAD-GAN: Coherent Style Level Generation from a Single Example [24.039037782220017]
  トークンベースのゲームレベルを生成する新しいPCGアルゴリズムであるTOAD-GANを提案する。 スーパーマリオブラザーズレベルへの応用を実証し、任意のサイズで類似したスタイルの新たなレベルを生成することができる。
  論文  参考訳（メタデータ） (2020-08-04T13:44:50Z)
• Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
  Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。 既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。 本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
  論文  参考訳（メタデータ） (2020-04-12T03:53:53Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。